@HaiyuWu1: 首先在潜空间中从互联网视频学习因果关系，然后使用强化学习教基础模型如何行动…
摘要
Induction Labs 推出了想象模型（imagination models），这是一种新的基础模型架构，从互联网规模的视频中学习。他们的第一个模型 Photon-1 通过观看 18 年的屏幕录像（无动作标签）学习使用计算机，以比 Gemini 3.1 Flash 低 30 倍的预训练成本取得了更好的结果。
查看缓存全文
缓存时间: 2026/07/25 20:11
先在潜在空间中从互联网视频学习因果关系，再用强化学习教会基础模型如何行动。
这种方法在预训练上比 Gemini 3.1 Flash 便宜 30 倍，且结果更优。JEPA 就够了！
不过，动作仍是在后训练阶段学习的。如何在没有动作标签的情况下自动学习动作，依然至关重要！
Induction Labs（@induction_labs）： 我们正推出想象模型：一种全新的基础模型架构，能够从互联网规模视频中解锁学习能力。
我们的首个想象模型 Photon-1，通过观看 18 年屏幕录制视频（无动作标签）学会了使用电脑。
相似文章
Learning How the World Evolves: Extrapolative Video World Models via Latent Dynamics Reasoning
Introduces Latent Dynamics Reasoning (LDR), a video world model that integrates kinematic dynamics in a structured latent space, enabling extrapolation of learned dynamics far beyond training distributions while using far fewer parameters and running much faster than video diffusion baselines.
@h100envy: Prime Intellect工程师解释了如何在30分钟内通过开放互联网训练推理模型——比……更好
Prime Intellect工程师演示了一种方法，通过开放互联网使用分布式强化学习在30分钟内训练推理模型，利用Prime-RL、LLM评判器和多云GPU，使开放模型无需拥有数据中心即可与封闭实验室竞争。
@swyx: 完整文章和链接在此
Latent Space 播客的一集讨论了这样一个论点：视频模型从大语言模型（LLM）中获取智能，下一个前沿是视频智能体。嘉宾 Ethan He（曾在 xAI 构建 Grok Imagine）分享了构建前沿图像和视频系统的见解。
通过残差潜在动作学习基于视觉特征的世界模型
本文介绍了 RLA-WM，一种基于视觉特征的世界模型，该模型利用残差潜在动作与流匹配技术高效预测未来视觉状态。该方法性能优于现有的视频扩散与特征基方法，同时支持从离线、无动作演示视频中探索新型机器人学习技术。
@aimalysheva: 潜在行为正当时，尤其在机器人领域：不再预测机器人的实际关节指令或游戏…
潜在行为在机器人领域越来越受关注，它使得从无动作标签的无标注视频中学习成为可能。DeepMind和FAIR的最新论文展示了从受控游戏环境到野外互联网视频的进展，有望实现模仿学习的可扩展训练。